Scrapy教程——搭建环境、创建项目、爬取内容、保存文件

1、创建项目

        在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行新建命令。

例如，我需要在D:0CodingPythonscrapy目录下存放该项目，打开命令窗口，进入该目录，执行以下命令：

scrapy startproject  tutorial

PS:tutorial可以替换成任何你喜欢的名称，最好是英文

      该命令将会创建包含下列内容的 tutorial 目录:

tutorial/
    scrapy.cfg
    tutorial/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

这些文件分别是:

scrapy.cfg: 项目的配置文件

tutorial/: 该项目的python模块。之后您将在此加入代码。

tutorial/items.py: 项目中的item文件.

tutorial/pipelines.py: 项目中的pipelines文件.

tutorial/settings.py: 项目的设置文件.

tutorial/spiders/: 放置spider代码的目录.

2、定义Item

        Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。我们需要从想要爬取的网站（这里爬取新浪新闻）中获取以下属性：

新闻大类url、新闻大类title；

新闻小类url、新闻小类title；

新闻url、新闻title；

新闻标题、新闻内容；

       对此，在item中定义相应的字段。编辑tutorial目录中的 items.py 文件:

from scrapy.item import Item, Field
class TutorialItem(Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
   parent_title = Field()
   parent_url = Field()

   second_title = Field()
   second_url = Field()
   path = Field()

   link_title = Field()
   link_url = Field()
   head= Field()
   content = Field()
   pass

3、编写爬虫(Spider)

       Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。

       1、sinaSpider.py文件：

       包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容，提取生成 item 的方法。为了创建一个Spider，您必须继承 scrapy.Spider 类，且定义以下三个属性:

name:用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。

start_urls:包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。

parse() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的Request 对象。

当我们爬取了大类，然后这时候没有保存item，而是传递item到小类，爬取完小类之后，我们需要去新闻详情页爬取新闻的内容和标题：

主要思路是：paser->second_paser->detail_parse

以下是sinaSpider的全部代码：

# -*-coding: utf-8 -*-
__author__= 'George'
import sys, os
reload(sys)
sys.setdefaultencoding("utf-8")
from scrapy.spider import Spider
from scrapy.http import Request
from scrapy.selector import Selector
from tutorial.items import TutorialItem
base ="d:/dataset/" #存放文件分类的目录
class SinaSpider(Spider):
   name= "sina"
   allowed_domains= ["sina.com.cn"]
   start_urls= [
       "http://news.sina.com.cn/guide/"
   ]#起始urls列表

   def parse(self, response):
       items= []
       sel= Selector(response)
       big_urls=sel.xpath('//div[@id="tab01"]/div/h3/a/@href').extract()#大类的url
       big_titles=sel.xpath("//div[@id="tab01"]/div/h3/a/text()").extract()
       second_urls =sel.xpath('//div[@id="tab01"]/div/ul/li/a/@href').extract()#小类的url
       second_titles=sel.xpath('//div[@id="tab01"]/div/ul/li/a/text()').extract()

       for i in range(1,len(big_titles)-1):#这里不想要第一大类,big_title减去1是因为最后一个大类，没有跳转按钮，也去除
           file_name = base + big_titles[i]
           #创建目录
           if(not os.path.exists(file_name)):
               os.makedirs(file_name)
           for j in range(19,len(second_urls)):
               item = TutorialItem()
               item['parent_title'] =big_titles[i]
               item['parent_url'] =big_urls[i]
               if_belong =second_urls[j].startswith( item['parent_url'])
               if(if_belong):
                   second_file_name =file_name + '/'+ second_titles[j]
                   if(not os.path.exists(second_file_name)):
                       os.makedirs(second_file_name)
                   item['second_url'] = second_urls[j]
                   item['second_title'] =second_titles[j]
                   item['path'] =second_file_name
                   items.append(item)
       for item in items:
           yield Request(url=item['second_url'],meta={'item_1': item},callback=self.second_parse)

   #对于返回的小类的url，再进行递归请求
   def second_parse(self, response):
       sel= Selector(response)
       item_1= response.meta['item_1']
       items= []
       bigUrls= sel.xpath('//a/@href').extract()

       for i in range(0, len(bigUrls)):
           if_belong =bigUrls[i].endswith('.shtml') and bigUrls[i].startswith(item_1['parent_url'])
           if(if_belong):
               item = TutorialItem()
               item['parent_title'] =item_1['parent_title']
               item['parent_url'] =item_1['parent_url']
               item['second_url'] =item_1['second_url']
               item['second_title'] =item_1['second_title']
               item['path'] = item_1['path']
               item['link_url'] = bigUrls[i]
               items.append(item)
       for item in items:
               yield Request(url=item['link_url'], meta={'item_2':item},callback=self.detail_parse)

   def detail_parse(self, response):
       sel= Selector(response)
       item= response.meta['item_2']
       content= ""
       head=sel.xpath('//h1[@id="artibodyTitle"]/text()').extract()
       content_list=sel.xpath('//div[@id="artibody"]/p/text()').extract()
       for content_one in content_list:
           content += content_one
       item['head']= head
       item['content']= content
       yield item

         2、pipelines.py

     主要是对于抓取数据的保存（txt），这里把文件名命名为链接中'/'替换成'_'

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy import signals
import json
import codecs
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
class SinaPipeline(object):
    def process_item(self, item, spider):
        link_url = item['link_url']
        file_name = link_url[7:-6].replace('/','_')
        file_name += ".txt"
        fp = open(item['path']+'/'+file_name, 'w')
        fp.write(item['content'])
        fp.close()
        return item

3、setting.py

    这是设置文件，这里需要设置同时开启的线程数目、日志打印的级别等

# -*- coding: utf-8 -*-
BOT_NAME = 'tutorial'

SPIDER_MODULES = ['tutorial.spiders']
NEWSPIDER_MODULE = 'tutorial.spiders'
ITEM_PIPELINES = {
    'tutorial.pipelines.SinaPipeline': 300,
}
LOG_LEVEL = 'INFO'
ROBOTSTXT_OBEY = True

 

爬取结果

             这里的文件夹是根据分类，然后创建的；

        这是大类的文件夹，现在我们已经将item都爬下来了，就需要存了，这里只想要存内容，所以直接将item里面的content字段的内容写入txt。

        这里通过将链接进行处理，转换成文件名，最后保存到所属的那个类里；